| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 符号使用说明 | 第13-14页 |
| 第一章 绪论 | 第14-23页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 研究现状 | 第15-21页 |
| 1.2.1 有监督学习的目标检测方法 | 第15-20页 |
| 1.2.2 基于无监督的目标检测方法 | 第20-21页 |
| 1.3 本文工作 | 第21页 |
| 1.3.1 基于卷积网络和递归网络的室内场景人员检测 | 第21页 |
| 1.3.2 基于区域特征和局部特征融合的人员检测 | 第21页 |
| 1.3.3 基于视频的无监督室内场景人员检测 | 第21页 |
| 1.4 论文结构 | 第21-23页 |
| 第二章 基于卷积网络和递归网络的室内场景人员检测 | 第23-40页 |
| 2.1 引言 | 第23-25页 |
| 2.1.1 相关工作 | 第23-25页 |
| 2.2 基于卷积网络和递归网络的模型 | 第25-31页 |
| 2.2.1 模型整体框架 | 第25-26页 |
| 2.2.2 LSTM介绍 | 第26-28页 |
| 2.2.3 模型损失函数 | 第28-30页 |
| 2.2.4 模型室内场景适应性分析 | 第30-31页 |
| 2.3 实现 | 第31-33页 |
| 2.3.1 模型训练 | 第31-32页 |
| 2.3.2 初始化 | 第32页 |
| 2.3.3 正则化 | 第32页 |
| 2.3.4 穿针线算法 | 第32-33页 |
| 2.4 实验及结果 | 第33-39页 |
| 2.4.1 实验平台 | 第33页 |
| 2.4.2 数据集 | 第33-35页 |
| 2.4.3 基准方法 | 第35-36页 |
| 2.4.4 性能计算 | 第36-37页 |
| 2.4.5 损失函数的比较 | 第37-38页 |
| 2.4.6 应用数据 | 第38-39页 |
| 2.5 小结 | 第39-40页 |
| 第三章 基于区域特征和局部特征融合的人员检测 | 第40-54页 |
| 3.1 引言 | 第40-41页 |
| 3.2 基于区域特征和局部特征融合的模型 | 第41-48页 |
| 3.2.1 模型整体框架 | 第41-42页 |
| 3.2.2 区域回归模型 | 第42-43页 |
| 3.2.3 局部人头分类模型 | 第43-45页 |
| 3.2.4 局部融合模型 | 第45-48页 |
| 3.2.5 模型室内场景适应性分析 | 第48页 |
| 3.3 实验及结果 | 第48-53页 |
| 3.3.1 实验平台 | 第48页 |
| 3.3.2 数据集 | 第48-50页 |
| 3.3.3 实验及性能分析 | 第50-53页 |
| 3.4 小结 | 第53-54页 |
| 第四章 基于视频的弱监督室内场景人员检测 | 第54-75页 |
| 4.1 引言 | 第54-55页 |
| 4.1.1 相关工作 | 第55页 |
| 4.2 基于弱监督视频的检测模型 | 第55-69页 |
| 4.2.1 模型整体框架 | 第55-56页 |
| 4.2.2 基于视频的伪标签自动获取 | 第56-64页 |
| 4.2.3 基于伪标签的检测模型 | 第64-68页 |
| 4.2.4 模型室内场景适应性分析 | 第68-69页 |
| 4.3 实验及结果 | 第69-73页 |
| 4.3.1 实验平台 | 第69-70页 |
| 4.3.2 实验数据 | 第70页 |
| 4.3.3 实验设置和结果 | 第70-73页 |
| 4.4 小结 | 第73-75页 |
| 第五章 结束语 | 第75-77页 |
| 5.1 工作总结 | 第75-76页 |
| 5.2 工作展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 作者在学期间取得的学术成果 | 第83页 |